Sous le capot
Les suggestions du clavier ne sortent pas d'une intelligence artificielle entraînée ailleurs : elles viennent d'un corpus de kréyòl guadeloupéen écrit, publié en accès libre sur Hugging Face sous le nom POTOMITAN/PawolKreyol‑gfc. Voici ce qu'il contient, mesuré ligne par ligne.
Chiffres recalculés directement depuis le jeu de données publié.
Une ligne du jeu de données, c'est un fragment de kréyòl : un proverbe, une réplique de théâtre, un vers, une phrase de conte, parfois un texte entier.
Chaque ligne est rattachée à sa source : un livre, une pièce, une chanson, une collecte de proverbes. Le corpus n'est pas un aspirateur à pages web, c'est une bibliothèque référencée, dominée par les grands auteurs du kréyòl guadeloupéen.
Le découpage en mots est exactement celui du script qui fabrique le dictionnaire embarqué : lettres accentuées et traits d'union compris, deux caractères minimum.
Un très petit noyau de mots outils porte la moitié du texte, puis la courbe s'aplatit : c'est la longue traîne du vocabulaire, et c'est elle qui rend un dictionnaire complet indispensable.
Le kréyòl fabrique beaucoup de mots en en collant d'autres, souvent avec un trait d'union : le déterminant, le possessif ou le pronom viennent se souder au mot qui précède. C'est ce qui produit les mots les plus longs du corpus, et c'est aussi ce qui fait gagner le plus de frappes quand le clavier les propose.
En nombre de mots différents. La composition à deux éléments domine largement, mais le corpus contient des chaînes de trois et quatre éléments.
| Mot | Lettres | Occurrences |
|---|
L'orthographe GEREC‑F repose sur trois voyelles accentuées. Leur poids réel dans le corpus explique pourquoi le clavier les met à portée d'appui long plutôt que de les enterrer dans un clavier secondaire.
Le kréyòl ne conjugue pas le verbe : il place devant lui de petits mots invariables qui portent le temps, le mode et l'aspect. Ces marqueurs sont peu nombreux, mais ils reviennent sans arrêt, et ils se combinent entre eux. Pour un clavier, ce sont les mots les plus rentables à prédire.
| Marqueur | Fonction | Occurrences | Suit le plus souvent |
|---|
C'est ici que se joue la conjugaison : deux marqueurs enchaînés forment un temps composé. Le modèle du clavier retient ces enchaînements et propose directement le verbe attendu derrière.
Nomenclature et fonctions reprises de l'analyse lexicographique du dépôt, RAPPORT_LINGUISTIQUE.md, les comptages étant recalculés sur la version courante du corpus.
Un n‑gramme, c'est une suite de mots observée dans les textes. En comptant ces suites, on obtient un modèle qui répond à une question simple : après ces mots-là, qu'est-ce qui vient d'habitude ?
| Contexte | Suite la plus probable | Probabilité | Contexte vu |
|---|
Le corpus n'est pas embarqué tel quel dans l'application. Un script le transforme en deux fichiers compacts, les seuls que le clavier lit, et qui tiennent dans l'APK pour fonctionner sans aucune connexion.
Les lignes du jeu de données sont découpées en mots, accents et traits d'union conservés.
Chaque mot reçoit sa fréquence, chaque suite de deux ou trois mots la sienne.
Les suites vues une seule fois sont écartées : citer un passage n'est pas prédire.
Deux fichiers JSON partent dans l'APK, lus hors ligne à chaque frappe.
Envie de voir le résultat sans rien installer ? Le simulateur fait tourner ce même dictionnaire et ce même modèle directement dans le navigateur.
Les chiffres de cette page sont recalculés depuis l'export du jeu de données
publié, avec la même expression régulière de découpage et les mêmes seuils
que Dictionnaires/KreyolComplet.py, le script qui produit les
fichiers du clavier. Les totaux sont donc comparables terme à terme.
Le corpus reste modeste au regard de ce qui existe pour le français ou l'anglais, et il penche du côté de la littérature écrite plutôt que de la langue parlée du quotidien. Il grandit au fil des contributions : le dictionnaire du clavier grandit avec lui.
Jeu de données : POTOMITAN/PawolKreyol‑gfc · Script de calcul : generate_corpus_stats.py · Données brutes de cette page : corpus_stats.json